一种基于模糊逻辑的汽车领域顾客满意度建模方法外文翻译资料

 2021-12-20 21:43:10

具有应用程序的专家系统

一种基于模糊逻辑的汽车领域顾客满意度建模方法

关键词:个人品质及可信满意度(PQRS);模糊逻辑;网格搜索;汽车;数据保证。

本文提出了一种评估与客户满意度相关的质量和可靠性的方法,基于现场故障数据在每个客户的水平。质量满意度是基于故障数量和故障严重程度来建模的,而可靠性满意度是基于拜访经销商的次数和两次拜访之间的时间跨度来建模的。在单个车辆(顾客)级别上建模的满意度进一步聚合到车辆模型级别,以确定客户对特定车辆模型的总体满意度。采用模糊逻辑方法建立了满意度模型。采用网格搜索技术对模型参数进行优化,使特定车辆模型的模型输出与基于分配给车辆模型的评级调查相匹配。

1. 介绍

在全球竞争的背景下,人们越来越意识到改善过程是与顾客满意直接相关的。客户关系管理(CRM)已成为一个突出的方面的业务。在这方面,质量运动的一个显著发展是顾客满意度的评估。Hernon和Whitman(2001)将满足定义为一种满足感,这种满足感来自于实际经验与预期经验之间的关系。顾客满意衡量顾客对产品和服务的主观体验。文献中有两种不同的概念,即(a)特定于交易的和(b)累积的(Andreassen, 2000;博尔丁,卡拉,斯塔林,和泽特尔,1993)。特定于交易的概念是指满意度作为单一经验的评价(Oliver, 1993)。相比之下,累积满意度包括顾客对产品或服务的最新体验的满意度(Fornell, Johnson, Anderson, Cha, amp; Bryant, 1996)。

在文献中,已经开发了几个概念模型来根据客户满意度来定义质量,特别是在银行、电信等服务部门。然而,关于量化顾客满意度的科学文献非常有限。关于汽车领域客户满意度评估的报告工作更是少之又少。有几个因素(如汽车的吸引力、性能、拥有成本、经销商的服务、质量和可靠性)对客户有影响。汽车领域的满意度。然而,与质量和可靠性相关的因素在塑造客户感知和满意度方面的作用超过40% (j.d. Power Associates)。2009)如图1所示。一般来说,在汽车领域,质量和可靠性的评估是基于该领域的故障数量,这些故障表示为每千辆车的事故(IPTV)或每百辆车的问题(PPH)。保修数据通常用于IPTV或PPH的估算。此外,汽车制造商进行调查,并参考公布的调查结果(如J.D. Power, Consumer Reports),以了解客户满意度。客户根据他们对产品的经验来定义产品的质量和可靠性。每千辆(或每百辆)汽车中出现的问题数量可能是一个很好的质量指标。然而,在当前具有挑战性的业务场景中,在每个客户级别评估客户满意度是至关重要的,这将推动与购买车辆相关的决策过程。然而,目前非常有限的重点是衡量个人客户的感知和满意度。开尔文勋爵的这句话反映了测量或评价的重要性:

“当你能衡量自己在说什么,并用数字来表达时,你就对它有所了解hellip;hellip;(否则)你的知识贫乏,令人不满意;这也许是知识的开始,但你的思想还没有达到科学的高度。开尔文勋爵(1824-1907)的话。

在这方面,需要一个量化的方法来评估与单个客户级别的质量和可靠性相关的满意度。这将有助于识别不满意的客户,并提供个性化的客户服务,从而提高品牌认知和品牌忠诚度。

图1所示:动力汽车所有权满意度研究:服务/维修对客户满意度的影响。

在本文中,我们提出了一种新颖的方法,从原始设备制造商(OEMS)维护的现场故障数据,在单个客户级别上对客户满意度进行建模。在这里,我们关注建模质量和可靠性满意度。这些被表达为个人质量满意度(PQS)和个人可靠性满意度(PRS)。这些指数是根据个人车辆级别和车型级别的PQRS(个人质量和可靠性满意度)来衡量客户满意度的。采用模糊逻辑方法对个体层面的顾客满意度进行建模。采用网格搜索技术对满意度模型中的各个参数进行优化。参数整体的总目标是尽量减少从所建议的模型中获得的满意度值与外部机构公布的目标满意度评分之间的差异。在第2部分中,我们提供了我们方法中使用的不同学科的最先进的审查。在第3部分和第4部分中,我们提出了一个客户满意度模型和一种方法,该方法用于调整与满意度相关的各种参数。第5部分给出结果,第6部分给出结论和未来方向。

  1. 相关工作

关于客户满意度与消费者忠诚度之间关系的一项重要研究主要报告在服务部门,如银行、医院、电子商务和电信(Danaher和Gallagher, 1997;哈洛威尔,1996;Shankar, Smithb, amp; Rangaswamy, 2003)。然而,关于定量评估客户满意度的工作非常有限。在个人客户层面上评估客户满意度的工作更是令人担忧。美国顾客满意指数(ACSI)是文献中引用最多的模型之一。在这里,满意度是通过几个评估客户评价的问题以0到100的等级来衡量的。通过查看这些指数及其影响,用户可以确定哪些满意度驱动因素对客户忠诚度的影响最大(American customer satisfaction Index, ACSI), 2009)。

在汽车领域,J.D. Power and Associates的客户满意度指数(customer satisfaction index)和《消费者报告》(Consumer Reports, CR)被消费者和原始设备制造商广泛引用,以了解与特定车型或品牌相关的客户满意度(Consumer Reports, 2010)。这些报告从客户满意度的角度比较了各种汽车制造和型号的性能。这些报告是基于评估客户所经历的失败的调查。例如,最初的质量研究

(IQS)由J.D. Power and Associates指导每年进行一次,提供新车拥有90天后的质量信息。车主们被调查有关他们新车的问题。同样,J.D. Power和Associates公司的车辆可靠性研究(VDS)关注的是三年前车主所经历的问题。在这些研究中,相对性能是用“每100辆车的问题(PP100)”度量的。PP100得分越低表示性能越好,PP100得分越高表示性能越差。

消费者报告组织(Consumer Reports Organization)是另一个独立的组织,对汽车、电子产品和其他家用电器进行调查和实验室测试,得出产品评论和评级。,2012)。对于新车和二手车,《消费者报告》每年都会发布可靠性评级。可靠性评分是根据过去12个月的故障发生率,从《消费者报告》用户的年度调查中得出的。使用这些调查,在考虑之中,将可靠性评级(如平均,高于平均,低于平均)分配给各种车型。

这些基于调查的方法往往依赖于较小的人口样本,而且可能并不总是代表真实世界的事实。与这些基于调查的方法相比,当前的工作依赖于保修数据来估计单个客户级别的满意度,然后将其聚合到特定的make或模型上。在目前的工作中,采用模糊逻辑方法对顾客满意度进行建模,并利用网格搜索技术对模型中的各种参数进行优化。因此,下一小节将对这些技术及其在相关领域的应用进行讨论。

2.1模糊逻辑

模糊集理论是由Zadeh引入的,用于处理没有明确定义准则的决策问题(Zadeh, 1965)。它的发展基于这样一个前提,即人类思维中的关键元素不是数字,而是没有精确定义的语言术语或模糊集(Zimmerman, 1982)。模糊集理论认为,模糊数a是实数R的一个特殊模糊子集,其隶属函数fA (x)是R到区间[0,1]的连续映射。模糊逻辑因其处理不精确、表示和操纵语言变量的能力而获得认可(Dubois, 1978)。

在质量功能部署(Quality Function Deployment, QFD)中,已经探讨了用语言表达的客户偏好/属性(CAs)和工程特性(ECs)的建模。Khoo and Ho(1996)首次提出了模糊QFD系统的框架。Wang(1999)提出了一种模糊排序关系来建模设计需求之间不精确的偏好关系。Vanegas和Labib(2001)提出了一种模糊QFD模型,该模型基于表示判断不精确性质的模糊数,推导出ECs的目标值。Ramasamy和Selladurai(2004)开发了一个基于模糊规则的知识系统,定义了ECs和CAs之间的关系。模糊逻辑方法也被用于QFD中的环境问题建模(Kuo, Wu, amp; Shieh, 2009)。

Wong(2001)采用模糊c均值聚类方法,通过挖掘与客户需求、特征和行为相关的参数来识别不同的客户群体。本文还利用模糊理论对语言参数进行了量化。Weber and Weber and Crespo(2005)提出了一种基于模糊c均值的客户细分动态数据挖掘方法。Shah, Roy和Tiwari(2006)开发了模糊专家系统“客户和服务顾问(Customer and Service Advisor, CSA)”来分类和识别客户类型,然后根据龄、人口统计学、经验、业务价值和行为属性来识别顾问。在这里,模糊逻辑用于用语言表达的属性进行建模(例如,Age - young, middle Age, old)。Ahn and Sohn(2009)提出了一个框架,使用模糊聚类和关联规则挖掘来从调查中识别不满意的客户群体,并识别客户认为重要的与售后服务相关的因素。

2.2 参数调优

不同的确定性方法(如梯度下降法、网格搜索算法)和随机方法(如模拟退火、遗传算法和进化算法)在文献中被提出用于参数调整。然而,每种方法都有其优点和局限性。梯度下降法(Cooper amp; Steinberg, 1970;希斯,1997;Joshi amp; Moudgalya, 2004)是直接和易于处理的。但是,它们无法避免/避开局部优化。网格搜索算法(Cooper amp; Steinberg, 1970)是寻找目标函数最小值及其对应最小解点的最简单算法。随着决策变量的数量和每个维度的样本点的数量的增加,这种方法变得令人望而却步。在模拟退火(SA)中,初始可以生成更多的随机点(避免局部极小值),而在随后的阶段,SA主要关注有希望的区域。遗传算法(GAs) (Davis 1991;戈德堡,1989;《进化策略》(ESs) (Beyer amp; Schwefel, 2002;两者都模拟了生物进化机制。虽然这些随机方法不如梯度下降法有效,但它们更有可能避免局部最优。

由于当前的工作涉及到需要调优的参数数量有限,因此使用基于网格搜索的方法进行参数调优。对参数进行离散化以限制搜索空间,然后对所有(离散化的)参数进行完整的枚举以进行参数调优。这种简化的原因是,在当前的工作中,我们只使用优化作为启用器。然而,更严格的优化可以提高参数整体的有效性是未来的研究方向之一。

最近,Bandaru, Deb, Khare, and Chougule(2011)提出了一种使用消费者车辆服务(现场故障)数据的客户满意度建模方法。该方法利用从服务数据中提取的相关变量作为输入,采用统计(无监督)方法建立预测顾客满意度指数(CSI)的数学模型。我们的方法也建立了一个预测CSI的数学模型,但是有三个主要的区别:(1)我们使用启发式方法推导出CSI函数的数学形式;(2)使用消费者报告评级(监督方法)优化模型参数。(3)此外,我们亦容许对拥有权期限的满意程度有所变动(详情请参阅第3.2.3部分)。

综上所述,客户满意度建模已经成为一个重要的研究领域,特别是在服务领域,已经提出了几个概念模型来评估相同的问题。然而,在汽车领域,关于客户满意度评估的工作非常有限。所报告的工作主要集中在进行调查和分析调查,了解客户满意度在车型层面。相反,本文报告的工作有助于从现场故障数据评估每个客户级别的满意度。将模糊逻辑方法应用于CRM领域的客户偏好分析、客户细分和聚类。然而,利用模糊逻辑对顾客满意进行建模的文献还比较少。在这项工作中,我们建立了一个模型,使用现场故障数据来评估单个客户级别上与质量和可靠性相关的客户满意度。在每个客户级别的满意进一步汇总,以评估车型级别的满意度。

3.客户满意度模型

本文提出的客户满意度模型依赖于经销商收集的现场故障数据。在本节中,我们首先描述了现场数据,然后提出了一个模型,该模型使用现场数据来评估每个车主级别以及车辆模型级别的质量和可靠性满意度。

3.1字段数据

当客户在车辆中遇到异常行为时,他或她将车辆带到经销商处。基于客户对车辆的特定关注,技术人员通常会通过一系列步骤来诊断和解决问题。通常,一组预定义的代码,即描述修理操作性质的修理代码(RC),被分配给技术人员执行的修理任务,以修复车辆问题。通常,修复代码描述包含对该部件执行的部件和操作(例如,发动机更换、动力总成控制模块重新编程)。与维修代码相关的信息,以及与车辆识别码(VIN)、车型、车型年、车辆发动机型号、传动类型、维修日期、维修时间、更换零件、涉及经销商(技术人员)、技术人员逐字录入等相关的信息,存储在经销商端数据库中。然后,将在经销店收集的数据上传到中央保修数据库。因此,保修数据库包含了与车辆所有历史维修相关的数据。在某种程度上,车主在一段时间内所经历的与部件故障相关的信息可以从保修数据库中提供的维修数据中推断出来。对于每辆车,从现场数据中提取的属性值如下:每辆车的修理次数。拜访经销商的次数。连续两次拜访经销商之间的时间跨度。

此外,还为每个故障(修复代码)分配了严重性评级。用于分配严重性等级的标准见第3.2.1节。在上述属性的基础上,利用本文开发的满意度模型对每个客户的质量和可靠性满意度进行了评估。

3.2客户满意度模型

如前所述,我们主要关注与每个车主级别的质量和可靠性相关的建模满意度。与这些因素相关的满意度以个人质量满意度(PQSveh)和个人可靠性满意度(PRSveh)表示。这些质量和可靠性满意度已进一步聚合在一个单独的车辆水平,以估计“个人质量和可靠性满意度(PQRSveh)”。这些个

英语原文共 11 页

资料编号:[4256]

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。